俞樹杰 鄒佳軍 楊建峰 盧增新 韋明珠

直腸癌是第三常見的惡性腫瘤，約占所有腫瘤發(fā)病率的9%，每年有超過百萬人因直腸癌死亡[1]。研究表明，Ki-67 表達高低與直腸癌患者預后密切相關，Ki-67 高表達患者的生存率顯著低于低表達患者[2]。目前，Ki-67 在直腸癌中的表達需通過手術組織病理或者內鏡活檢來確定。然而Ki-67 在腫瘤中表達具有異質性，活檢樣本得到的Ki-67 指數不能準確地代表整個腫瘤的水平[3]。影像組學技術能夠獲取高通量數據，通過挖掘腫瘤本身的異質性和紋理等定量信息，建立預測模型，已被廣泛用于腫瘤表型分類和預測疾病進展[4,5]。既往研究顯示，影像組學可以預測Ki-67 在某些腫瘤中的表達，例如肝癌、神經膠質瘤、肺癌等[6～8]，而目前通過影像組學預測直腸癌Ki-67 表達的研究較少。因此，本次研究旨在尋找與直腸癌Ki-67 表達相關的影像組學特征，并探討基于這些特征構建的影像組學模型能否預測直腸癌Ki-67表達。

1 資料與方法

1.1 一般資料 回顧性收集2019 年1 月至2021 年12 月期間在紹興市人民醫(yī)院進行手術治療的直腸癌患者。納入標準為：①術后病理證實為直腸癌；②病理資料中包括Ki-67 表達指數；③MRI 圖像質量佳，無嚴重偽影干擾。排除標準為：①術前經過抗癌治療；②MRI檢查前腸道準備不足，直腸癌病灶顯示不清。本次研究經醫(yī)院倫理委員會批準。最終納入109 例直腸癌患者，年齡48～93 歲，平均年齡（67.00±10.20）歲；病理組織Ki-67 陽性率5%～90%，平均58.26%；參考林妙霞等[9]分組標準，其中高Ki-67 表達組（Ki-67＞50%）73 例、低Ki-67 表達組（Ki-67≤50%）[9]36 例。

1.2 方法 所有患者采用Siemens 3.0T Verio MR掃描儀，體部相控陣線圈檢查。掃描序列：①直腸軸位T1WI（TR 465 ms，TE 9 ms），直腸軸位T2WI（TR 2950 ms，TE 85 ms），層厚4 mm，層間距2 mm，視野215 mm×245 mm；②DWI：TR 3650 ms，TE 71 ms，層厚3 mm，視野215 mm×245 mm，b 值取0 及800 s/mm2；③直腸矢狀位DCE-T1WI：TR 3.35 ms，TE 1.26 ms，翻轉角10°，層厚3 mm，視野225 mm×265 mm，采用Gd-DTPA，劑量0.15 mmol/kg，經肘靜脈注入（速率1.5 ml/s）后開始掃描，共掃描36 個時相，得到1 080 幅圖像，每個周期掃描7 s，成像時間252 s。

1.3 圖像分割 采用DWI、DCE-T1WI（第21 期圖像）、T2WI 序列圖像分割直腸癌病灶。將圖像導入ITK-SNAP 軟件，由一名放射科研究生沿病灶邊緣逐層勾畫，另一名放射科腹部組高年資醫(yī)生核對結果，得到病灶感興趣容積（volume of interest，VOI），最后生成_merge.nii 格式的VOI 文件（見封二圖1）。

圖1 直腸癌VOI選取示意圖

1.4 特征提取 基于Artificial Intelligence Kit 平臺提取直腸癌VOI的影像組學特征，包括：①形狀特征（9 個）；②灰度游程矩陣特征（180 個）；③灰度區(qū)域大小矩陣特征（1 個）；④直方圖特征（42 個）；⑤灰度共生矩陣特征（154 個）。將109 例直腸癌患者按7∶3 隨機分成訓練組（73 例）和測試組（36 例）。訓練組用來進行特征篩選和建立影像組學模型，測試組的數據用來對建立的模型進行驗證。

1.5 統(tǒng)計學方法 應用R 語言軟件進行統(tǒng)計學分析。使用中位值填補數據中的缺失值，然后對數據進行標準化處理。由于本次研究Ki-67 低表達樣本較少，采用過采樣法（synthetic minority oversampling technique，SMOTE）解決訓練組中樣本不平衡問題，使兩類直腸癌患者在訓練組中比例為1∶1。通過Spearman 相關分析剔除 ||r ＞0.8 的相關特征，使用LASSO 回歸實現(xiàn)特征降維，最終得到4 個影像組學特征庫：①DCE-T1WI 特征庫；②T2WI 特征庫；③DWI 特征庫；④DCE-T1WI+T2WI+DWI 聯(lián)合特征庫（先聯(lián)合DCE-T1WI、T2WI、DWI 三種序列共計1 188 個特征，再篩選得到最佳特征庫）。應用logistic 回歸算法構建各個特征庫的影像組學模型。通過受試者工作特征（receiver operating characteristic curve，ROC）曲線、Delong 檢驗、凈重新分類指標（net reclassification improvement，NRI）和綜合判別改善指數（integrated discrimination improvement，IDI）評估和比較不同模型的性能。設P＜0.05 為差異有統(tǒng)計學意義。

2 結果

2.1 最優(yōu)影像特征篩選結果 經提取和降維得到4 個最優(yōu)影像組學特征庫，其中DCE-T1WI 特征庫有7 個特征，T2WI 特征庫有5 個特征，DWI 特征庫有6 個特征，DCE-T1WI+T2WI+DWI 聯(lián)合特征庫有10 個特征，具體特征見表1。

表1 經篩選獲得的影像組學特征庫

2.2 影像組學模型預測直腸癌Ki-67 表達的效能見表2

由表2 可見，應用logistic 回歸算法對上述篩選好的影像組學特征庫構建4 個預測模型，分別為DCE-T1WI 模型、T2WI 模型、DWI 模型及聯(lián)合模型?；贒CE-T1WI+T2WI+DWI 聯(lián)合特征庫的影像組學模型預測性能最佳（訓練組和測試組分別為0.89與0.86）。單序列模型中，DCE-T1WI 模型的的AUC值最高（訓練組和測試組分別為0.81 與0.77），優(yōu)于T2WI 模型AUC 值（0.73、0.73）和DWI 模型AUC值（0.68、0.67）。

表2 影像組學模型預測直腸癌Ki-67表達的效能

2.3 不同特征庫模型預測直腸癌Ki-67 表達的NRI和IDI見表3

由表3 可見，將聯(lián)合模型與DCE-T1WI 模型、T2WI 模型及DWI 模型對比，聯(lián)合模型的NRI 和IDI均大于0，表明聯(lián)合模型對直腸癌Ki-67的預測有正改善作用。相比于T2WI模型，DCE-T1WI模型在訓練組中體現(xiàn)出預測效能的正改善（NRI＞0，IDI＞0），而在測試組中DCE-T1WI 模型預測效能無明顯改善（NRI=0，IDI＜0）。

表3 不同特征庫模型預測直腸癌Ki-67表達的NRI和IDI

2.4 不同特征庫模型Delong檢驗結果見表4

由表4 可見，在測試組中，不同模型的AUC 差值兩兩比較，差異均無統(tǒng)計學意義（P 均＞0.05）。在訓練組中，聯(lián)合模型的AUC 差值在訓練組中高于DWI 模型（P＜0.05）和T2WI 模型（P＜0.05），但DCE-T1WI 模型與聯(lián)合模型的AUC 差值比較，差異無統(tǒng)計學意義（P＞0.05）。

表4 不同特征庫模型Delong檢驗結果

3 討論

Ki-67表達與腫瘤進展密切相關，高Ki-67表達往往提示腫瘤組織有更高的細胞密度，更強的侵襲性，因此術前預測Ki-67 表達水平對于惡性腫瘤的治療具有重要意義[10]。影像組學能夠從醫(yī)學圖像中提取信息，通過對這些信息進行分析，為評價腫瘤蛋白表達情況提供了可能[11,12]。既往大多數研究還集中在基于MRI 影像組學特征來預測各種腫瘤的Ki-67 表達，包括肝癌[6]、神經膠質瘤[7]和乳腺癌[13]，這表明基于MRI 影像組學特征有可能預測直腸癌Ki-67的表達狀態(tài)。

本次研究基于DCE-T1WI、T2WI及DWI序列圖像，利用直腸癌VOI提取特征，經篩選獲得4 個影像組學特征庫，并構建相應的模型用于直腸癌患者進行Ki-67 表達預測。結果顯示不同模型均有一定的預測效能。在單序列模型中，基于DCE-T1WI 構建的模型AUC 值最高，這可能與直腸癌病灶新生血管豐富有關。相較于T2WI、DWI 序列，DCE-T1WI 序列有助于評估微血管分布和血液灌注，同時能更清楚地反映病變的形態(tài)學和血流動力學特征[14]。因此，與T2WI 和DWI 影像組學模型相比，DEC-T1WI影像組學模型在預測直腸癌的Ki-67 表達方面增加了更多的凈收益。

為進一步探討影像組學與直腸癌Ki-67 表達之間的關系，本次研究聯(lián)合三種序列建立聯(lián)合模型預測直腸癌Ki-67 表達，發(fā)現(xiàn)聯(lián)合模型的效能最佳，測試組AUC 為0.86。與單序列模型相比，聯(lián)合模型預測直腸癌Ki-67 表達的NRI 和IDI 均大于0，這也證實了聯(lián)合模型具有更好的性能。Zhou等[15]結合T1WI、T1WI 增強和T2WI 序列的影像組學特征預測髓母細胞瘤的Ki-67 表達水平，結果與本次研究類似，即多序列組合模型預測性能優(yōu)于單序列模型。由此可見，將多序列影像組學特征融合到一個聯(lián)合模型中，能顯著提高模型的準確性和擬合度。本次研究的局限性：本次研究為單中心回顧性研究，研究樣本量較小，尤其是Ki-67低表達組的樣本量，可能會導致選擇偏差。此外，ROI 的勾畫沒有標準化流程和規(guī)則，需要進一步研究制定統(tǒng)一的多中心標準。

綜上所述，基于DCE-T1WI、T2WI、DWI 三種序列的圖像特征，構建4 個模型較好地預測了直腸癌Ki-67 的表達，對直腸癌生長和預后的分析判斷具有一定價值。